参数

• images (VideoInput) — 要预处理的视频。期望单个或批处理的视频，像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, optional, defaults to self.do_resize) — 是否调整视频大小。
• 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"> size (dict[str, int], optional, defaults to self.size) — 调整大小后的视频尺寸。视频的最短边将调整为 size["shortest_edge"]，最长边将调整为保持输入宽高比。
• resample (int, optional, defaults to self.resample) — 调整视频大小时使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, optional, defaults to self.do_center_crop) — 是否对视频进行中心裁剪。
• crop_size (dict[str, int], optional, defaults to self.crop_size) — 中心裁剪的尺寸。仅当 do_center_crop 设置为 True 时有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否重新缩放视频。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，用于重新缩放视频的比例因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对视频进行标准化。
• image_mean (float or list[float], optional, defaults to self.image_mean) — 用于标准化的帧均值。仅当 do_normalize 设置为 True 时有效。
• image_std (float or list[float], optional, defaults to self.image_std) — 用于标准化的帧标准差。仅当 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将视频转换为 RGB。
• return_tensors (str or TensorType, optional) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 批处理。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 批处理。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 批处理。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 批处理。
• data_format (ChannelDimension or str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式。如果未提供，将从输入图像中推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。

参数

• image (np.ndarray) — 要调整大小的图像。
• size (dict[str, int]) — 输出图像的尺寸。
• resample (PILImageResampling, optional, defaults to PILImageResampling.BICUBIC) — 调整图像大小时使用的重采样滤镜。
• data_format (str or ChannelDimension, optional) — 图像的通道维度格式。如果未提供，将与输入图像的格式相同。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式。如果未提供，将自动推断。

参数

• input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列词汇表中令牌的索引。默认情况下会忽略填充。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.FloatTensor of shape (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• pixel_values_videos (torch.FloatTensor of shape (batch_size, num_frames, num_channels, image_size, image_size)) -- 对应于输入视频的张量。像素值可以使用 [AutoImageProcessor](/docs/transformers/v4.53.3/en/model_doc/auto#transformers.AutoImageProcessor) 获取。有关详细信息，请参见 LlavaNextVideoVideoProcessor.call()`。 LlavaProcessor 使用 LlavaNextVideoVideoProcessor 处理视频。
• image_sizes (torch.LongTensor of shape (batch_size, 2), optional) — 批次中图像的尺寸，每个图像为（高度，宽度）。
• attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — 用于避免对填充令牌索引执行注意力的掩码。掩码值选择范围为 [0, 1]：
  • 1 表示 未被掩码 的令牌，
  • 0 表示 被掩码 的令牌。

  什么是注意力掩码？

• position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 每个输入序列令牌在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。通常由模型在解码的先前阶段返回，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，参见我们的 kv cache 指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。这也被称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传入 past_key_values，则将返回旧版缓存格式。

  如果使用了 past_key_values，用户可以选择只输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的），而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您想对如何将 input_ids 索引转换为关联向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选) — 用于从视觉骨干中选择视觉特征的特征选择策略。可以是 "default" 或 "full" 之一。
• use_cache (bool, 可选) — 如果设置为 True，将返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详细信息请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详细信息请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列令牌在序列中位置的索引。与 position_ids 相反，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。

一个 transformers.models.llava_next_video.modeling_llava_next_video.LlavaNextVideoModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（LlavaNextVideoConfig）和输入包含各种元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 模型最后一层输出的隐藏状态序列。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型有嵌入层，+ 每个层的输出一个）的形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor, ...], 可选, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个）的形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

• image_hidden_states (torch.FloatTensor, 可选) — 一个大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的 image_hidden_states。

• video_hidden_states (torch.FloatTensor, 可选) — 一个大小为 (batch_size * num_frames, num_videos, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的 video_hidden_states。

参数

• pixel_values (torch.FloatTensor]，形状为 (batch_size, num_patches, channels, height, width)) — 对应于输入图像的张量。
• image_sizes (torch.Tensor，形状为 (num_images, 2)) — 每张图像的实际尺寸 (高, 宽)。
• vision_feature_layer (Union[int, list[int]], 可选) — 选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选) — 用于从视觉骨干中选择视觉特征的特征选择策略。可以是 "default" 或 "full"

图像特征张量列表，每个张量包含所有补丁的所有视觉特征，形状为 (num_patches, image_length, embed_dim)。

参数

• pixel_values (torch.FloatTensor]，形状为 (batch_size, num_frames, channels, height, width)) — 对应于输入视频的张量。像素值可以使用 [AutoImageProcessor](/docs/transformers/v4.53.3/en/model_doc/auto#transformers.AutoImageProcessor) 获取。有关详细信息，请参阅 LlavaNextVideoVideoProcessor.__call__()。LlavaProcessor 使用 LlavaNextVideoVideoProcessor 来处理视频。
• vision_feature_layer (Union[int, list[int]], 可选) — 选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选) — 用于从视觉骨干中选择视觉特征的特征选择策略。可以是 "default" 或 "full"

视频特征张量列表，每个张量包含所有补丁的所有视觉特征，形状为 (num_videos, video_length, embed_dim)）。

参数

• image_features (list[torch.Tensor]，长度为 num_images，每个形状为 (num_patches, image_length, embed_dim)) — 图像特征张量列表，每个张量包含所有补丁的所有视觉特征。
• image_sizes (torch.Tensor，形状为 (num_images, 2)) — 每张图像的实际尺寸 (高, 宽)。
• vision_feature_select_strategy (str) — 用于从视觉骨干中选择视觉特征的特征选择策略。
• image_newline (torch.Tensor，形状为 (embed_dim)) — 新行嵌入向量。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列令牌的索引。填充将默认忽略。

  索引可以使用 AutoTokenizer 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• pixel_values_videos (torch.FloatTensor，形状为 (batch_size, num_frames, num_channels, image_size, image_size)) — 对应于输入视频的张量。像素值可以使用 [AutoImageProcessor](/docs/transformers/v4.53.3/en/model_doc/auto#transformers.AutoImageProcessor) 获取。有关详细信息，请参阅 LlavaNextVideoVideoProcessor.__call__()。LlavaProcessor 使用 LlavaNextVideoVideoProcessor 来处理视频。
• image_sizes (torch.LongTensor，形状为 (batch_size, 2)，可选) — 批次中图像的大小，每张图像为 (高, 宽)。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 掩码，用于避免在填充令牌索引上执行注意力。掩码值选择范围为 [0, 1]：
  • 1 表示未掩码的令牌，
  • 0 表示已掩码的令牌。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 每个输入序列令牌在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。通常由模型在解码的先前阶段返回，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，参见我们的 kv cache 指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。这也被称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传入 past_key_values，则将返回旧版缓存格式。

  如果使用了 past_key_values，用户可以选择只输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的），而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您想对如何将 input_ids 索引转换为关联向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选) — 用于从视觉骨干中选择视觉特征的特征选择策略。可以是 "default" 或 "full" 之一。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于计算掩码语言建模损失的标签。索引应在 [0, ..., config.vocab_size] 或 -100 之间（参见 input_ids 文档字符串）。索引设置为 -100 的令牌将被忽略（掩码），损失只针对标签在 [0, ..., config.vocab_size] 中的令牌计算。
• use_cache (bool, 可选) — 如果设置为 True，将返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详细信息请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详细信息请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列令牌在序列中位置的索引。与 position_ids 相反，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
• logits_to_keep (Union[int, torch.Tensor], 默认为 0) — 如果是 int，则计算最后 logits_to_keep 个令牌的 logits。如果是 0，则计算所有 input_ids 的 logits（特殊情况）。仅在生成时才需要最后一个令牌的 logits，并且仅对其计算可以节省内存，这对于长序列或大词汇量来说非常重要。如果是 torch.Tensor，则必须是 1D，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次和序列长度的单个维度）时非常有用。

一个 transformers.models.llava_next_video.modeling_llava_next_video.LlavaNextVideoCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（LlavaNextVideoConfig）和输入包含各种元素。

• loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。

• logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple[torch.FloatTensor], 可选, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型有嵌入层，+ 每个层的输出一个）的形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor], 可选, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个）的形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

• image_hidden_states (torch.FloatTensor, 可选) — 一个大小为 (batch_size * num_patches, num_images, sequence_length, hidden_size)` 的 torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的 image_hidden_states。

• video_hidden_states (torch.FloatTensor, 可选) — 一个大小为 (batch_size * num_frames, num_videos, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的 video_hidden_states。